00:00:07 Le problème de la black box en gestion de la supply chain.
00:02:20 L’essor de l’IA et des recettes numériques complexes exacerbe le problème de la black box.
00:03:59 Les différences entre les anciens systèmes ERP et les systèmes modernes, et leur relation avec le problème de la black box.
00:06:10 Des exemples concrets du problème de la black box et de ses effets sur les entreprises.
00:07:36 Comment les entreprises surmontent le problème de la black box en utilisant des feuilles Excel.
00:09:06 Le concept de white boxing pour la transparence et la compréhension.
00:11:27 L’importance de concevoir quelques chiffres bien élaborés pour expliquer les décisions.
00:14:17 Les avantages d’utiliser des leviers économiques pour la prise de décision.
00:15:28 Les limites d’Excel pour gérer des données complexes et la nécessité d’outils supérieurs.
00:17:36 L’importance d’une documentation complète des entrées du système pour éviter des résultats absurdes.
00:18:47 Explorer la nécessité de couches de traitement de données agiles qui soutiennent les calculs intermédiaires.
00:20:08 L’importance de concevoir des leviers économiques indépendants pour éviter des résultats trompeurs.
00:21:09 Pourquoi le white boxing est crucial et les conséquences de l’absence d’un processus transparent.
Résumé
Dans cette interview, Kieran Chandler et Joannes Vermorel discutent de l’importance du white boxing dans l’optimization de la supply chain. Les supply chains sont des systèmes complexes, et l’intégration de logiciels ou de techniques pilotées par l’IA peut les rendre plus opaques. Vermorel soutient que les systèmes traditionnels ERP, souvent conçus sans aucune intelligence, contribuent à cette opacité. L’approche white-boxing de Lokad vise à recréer la transparence en se concentrant sur quelques chiffres soigneusement élaborés et en utilisant des indicateurs à l’échelle de l’entreprise comme economic drivers. Avec Envision, leur langage de programmation, Lokad aide à maintenir la transparence dans le processus d’optimization de la supply chain. Adopter le white boxing peut instaurer la confiance dans les systèmes de supply chain et améliorer l’efficacité globale.
Résumé Étendu
Dans cette interview, Kieran Chandler, l’animateur, discute du concept de white boxing avec Joannes Vermorel, le fondateur de Lokad, une entreprise de logiciels spécialisée dans l’optimization de la supply chain. La conversation débute par une explication du problème de la “black box” en informatique, qui désigne des systèmes où les entrées et les sorties peuvent être observées sans comprendre leur fonctionnement interne. Cela peut poser problème, notamment avec la prévalence croissante de l’intelligence artificielle dans diverses industries.
Vermorel explique que les supply chains sont par définition des systèmes complexes impliquant de nombreuses personnes, de nombreux produits et potentiellement de multiples emplacements. Cette complexité engendre de l’opacité, rendant difficile pour les acteurs de la supply chain de saisir pleinement son fonctionnement. L’ajout de logiciels, même basiques et peu « intelligents », peut accentuer cette opacité. Ce problème est encore aggravé lorsque des recettes numériques avancées ou des techniques pilotées par l’IA sont introduites, rendant de plus en plus difficile pour les membres de l’organisation de comprendre le sens des chiffres et des résultats produits par ces systèmes.
L’opacité, telle que la définit Vermorel, est la difficulté à déterminer l’origine et la signification des résultats ou mesures produits par un système. Dans le contexte des supply chains, cela signifie qu’il peut être difficile de comprendre pourquoi certaines valeurs ont été produites et quels facteurs y ont contribué.
Selon Vermorel, le problème de la black box est répandu dans l’industrie de la supply chain. Les systèmes traditionnels d’Enterprise Resource Planning (ERP) et d’autres technologies plus anciennes étaient souvent opaques pour diverses raisons, telles que les difficultés à concevoir des schémas relationnels efficaces pour les bases de données ou l’existence de multiples systèmes mal intégrés. Ces systèmes peuvent être relativement simples pris individuellement, mais une fois combinés, ils peuvent générer une grande confusion et complexité. Les intégrations ad hoc entre systèmes mal documentés contribuent également à cette opacité.
L’introduction de recettes numériques avancées ou de techniques pilotées par l’IA dans ces systèmes peut faire exploser l’opacité. Cela rend encore plus difficile pour les acteurs de la supply chain de vérifier si les chiffres produits sont exacts. Auparavant, il pouvait être possible de vérifier manuellement les valeurs de stocks dans différents systèmes, par exemple. Toutefois, avec l’ajout de recettes numériques complexes, une telle vérification devient de plus en plus ardue.
Vermorel explique que les systèmes ERP traditionnels concernent davantage la gestion que la planification, et ils sont souvent conçus sans aucune intelligence. Les recettes numériques avancées que certains fournisseurs qualifient d’IA sont généralement superposées au système ERP, rendant l’ensemble du processus plus opaque.
Dans des exemples concrets, Vermorel a observé que même des calculs simples, tels que le safety stock, peuvent produire des effets de black box. Par exemple, une entreprise pourrait saisir un taux de service de 99,9 % et n’obtenir qu’un taux de 97 %. Ce décalage entre l’entrée et la sortie conduit à une incompréhension du fonctionnement interne du système. Les entreprises recourent généralement à des feuilles Excel pour surmonter ce problème, en extrayant les données de base du système ERP et en créant leurs propres recettes numériques afin de garder le contrôle sur les calculs.
L’approche white-boxing, telle que décrite par Vermorel, reconnaît que même des modèles simples peuvent devenir opaques lorsqu’ils sont appliqués à des scénarios complexes de supply chain. L’objectif du white-boxing est de recréer la transparence et la compréhension au sein de ces modèles. En mettant en place un processus visant à recréer cette transparence, les entreprises peuvent instaurer la confiance et, finalement, se détacher de la dépendance aux feuilles Excel.
Un des défis de l’approche white-boxing est d’éviter une surcharge de métriques et d’indicateurs. Les entreprises demandent souvent plus de KPI et d’indicateurs face à un modèle de black box, ce qui peut entraîner une complexité et une opacité accrues. Vermorel suggère de se concentrer sur quelques chiffres soigneusement élaborés pour expliquer les décisions prises par le modèle.
Le white-boxing vise à fournir des explications pour les résultats finaux des décisions ayant des impacts physiques sur la supply chain, tels que la production, les achats ou le déplacement de stocks. Pour ce faire, le processus prend en compte quelques chiffres qui expliquent ces décisions, exprimés en dollars ou en euros, ces unités ayant le plus de sens à l’échelle de l’entreprise. En se concentrant sur l’objectif final et en expliquant les décisions en termes de métriques globales, l’approche white-boxing peut aider à instaurer compréhension et transparence dans l’optimization de la supply chain.
Vermorel explique que le risque de rupture de stock peut être bien supérieur à la valeur des articles achetés s’il provoque l’arrêt des lignes de production. Pour y remédier, Lokad utilise des leviers économiques pour prendre des décisions. Ces leviers sont utiles car ils permettent une comparaison à l’échelle de l’entreprise, garantissant que les décisions sont prises en utilisant des métriques comparables.
L’un des défis des techniques traditionnelles d’optimization de la supply chain réside dans le caractère opaque de nombreux systèmes analytiques. En revanche, l’approche de Lokad favorise le white-boxing, permettant aux utilisateurs de comprendre le fonctionnement interne du système et de valider ses résultats. Vermorel souligne qu’Excel est un outil efficace pour le white-boxing à petite échelle, mais il peine à gérer de grands ensembles de données ou des calculs complexes.
Pour pallier cette limitation, Lokad a développé un langage de programmation nommé Envision, qui permet aux utilisateurs de rester proches des données, d’effectuer des validations et de générer des dashboards. Cela contribue à maintenir la transparence dans le processus d’optimization de la supply chain.
Pour les entreprises utilisant des solutions logicielles en boîte noire, Vermorel recommande de commencer par une documentation approfondie des entrées du système. Souvent, les entreprises disposent d’une documentation insuffisante de leurs données d’entrée, menant à un scénario de “garbage in, garbage out”. L’étape suivante consiste à s’assurer que la couche analytique du système permet une agilité semblable à celle d’Excel, afin que les utilisateurs puissent ajouter des colonnes et déboguer leur logique facilement.
Une fois ces prérequis remplis, les entreprises devraient se concentrer sur la création de bons leviers économiques aussi indépendants les uns des autres que possible. Cela évite le risque de double comptabilisation ou de négliger des facteurs importants dans le processus décisionnel.
Le white-boxing est crucial dans l’optimization de la supply chain car il garantit la validité des résultats du système. Si les gens ne font pas confiance au système, ils auront tendance à revenir à leurs feuilles Excel, que Vermorel décrit comme une défense nécessaire contre la « folie du système ». En adoptant le white-boxing, les entreprises peuvent instaurer la confiance dans leurs processus d’optimization de la supply chain et améliorer leur efficacité globale.
Transcription Complète
Kieran Chandler: Aujourd’hui sur Lokad TV, nous allons discuter de la solution, ce que l’on appelle le white boxing. Alors, Joannes, avant de parler du white boxing, peut-être devrions-nous commencer par le problème de la black box. Qu’est-ce qui concerne les black boxes et quel est le problème ici ?
Joannes Vermorel: Les supply chains sont des systèmes complexes impliquant de nombreuses personnes, de nombreux produits et potentiellement de multiples emplacements. Dès le départ, il est évident qu’il s’agit d’un problème très complexe et donc intrinsèquement opaque du fait de cette complexité. Il est très difficile de saisir l’ensemble. Ensuite, lorsqu’on ajoute des couches de logiciels au milieu, cela ne fait qu’aggraver le problème. Je parle uniquement de logiciels relativement basiques qui ne font que manipuler les éléments techniques de l’informatique de votre supply chain, rien de sophistiqué. Mais même cela ajoute une couche d’opacité supplémentaire. Ce qui se passe, c’est que certains fournisseurs font la promotion de l’IA, mais je préfère parler de recettes numériques avancées et intelligentes pour la supply chain. Dès que vous ajoutez des recettes numériques non triviales au milieu de votre logiciel qui pilote réellement votre supply chain, cela crée un tout nouveau niveau d’opacité.
Kieran Chandler: Vous avez mentionné un mot clé, celui de l’opacité. Pourriez-vous développer ce que vous entendez par opacité ?
Joannes Vermorel: Par opacité, j’entends que, pour les personnes dans l’organisation qui travaillent dans la supply chain ou qui l’organisent, il est très difficile de déterminer exactement ce qu’un chiffre signifie, d’où il provient, et pourquoi il est fixé à cette valeur et non à une autre. L’opacité reflète la difficulté à aller au fond des choses lorsqu’on souhaite examiner sa supply chain.
Kieran Chandler: Nous parlons donc essentiellement d’un problème de black box où des résultats sortent d’un système et nous ne savons pas vraiment d’où ils proviennent. Dans quelle mesure ce problème est-il répandu ? Est-ce quelque chose que nous observons beaucoup dans l’industrie de la supply chain ?
Joannes Vermorel: Oui, je dirais que les anciens systèmes ERP et informatiques étaient très opaques pour diverses raisons. À l’époque, il était bien plus difficile de concevoir de bons schémas relationnels pour les bases de données, de sorte que la configuration interne peut être un peu désordonnée. Vous pouvez avoir de nombreux systèmes qui ne sont pas bien intégrés dans une supply chain complexe, si bien qu’une fois réunis, cela crée un véritable bazar et de nombreuses intégrations ad hoc entre les systèmes qui ne sont pas très bien documentées. Cela engendre de l’opacité à partir de systèmes individuellement relativement simples. Et lorsque vous ajoutez des recettes numériques dans le mélange, l’opacité explose car, soudainement, il devient très difficile de valider si les chiffres sont corrects.
Kieran Chandler: Il ne s’agit pas de vérifier le système central pour la valeur du stock que je devrais avoir dans un site distant, puis de vérifier dans le système du site distant lui-même que la valeur du stock correspond. Cela pouvait être, vous savez, parfois compliqué de faire ce genre de vérifications. Mais tant qu’aucune recette numérique n’est impliquée, c’était faisable. Dès que vous introduisez un modèle de régression linéaire au milieu, il devient infernal de répliquer quoi que ce soit ou même de comprendre ce qui se passe. Je suppose donc que c’est ce qui a changé entre ces anciens systèmes ERP et les plus modernes. Nous utilisons désormais des recettes numériques plus complexes. Est-ce là le grand changement ? Est-ce pourquoi cette approche de black box se produit en quelque sorte ?
Joannes Vermorel: Typiquement, ces recettes numériques avancées ne résident pas dans l’ERP. Je veux dire, l’ERP, malgré son nom, Enterprise Resource Planning, n’a très peu à voir avec la planification – presque rien du tout. Il s’agit avant tout de gestion. Vous avez donc la gestion des ressources d’entreprise, qui est généralement mise en œuvre avec zéro intelligence par conception. Vous voulez simplement suivre vos actifs, et vous avez des couches d’analytique par-dessus. Mais ensuite, vous avez raison, au sein de ces couches d’analytique, vous avez des recettes avancées que certains fournisseurs pourraient qualifier d’IA, et cela devient beaucoup plus opaque.
Kieran Chandler: Qu’en est-il d’un exemple concret sur la manière dont ces problèmes de black box affectent réellement les entreprises?
Joannes Vermorel: Dans le monde réel, ce qui est surprenant, c’est que vous n’avez pas besoin d’IA pour obtenir un effet de black box. Des choses bien plus simples provoquent déjà des effets de black box généralisés. J’ai vu de nombreuses entreprises où même quelque chose d’aussi simple qu’un calcul de stock de sécurité – c’est-à-dire déterminer combien de stocks il faut conserver en supposant que votre demande est distribuée normalement en plus de votre prévision, et la même chose pour le lead time – se traduit par des effets de black box. Ils disent : “Eh bien, je saisis un taux de service de 99,9 pour cent, mais la mesure montre qu’en réalité, je n’obtiens qu’un taux de service de 97 pour cent.” Ainsi, on se retrouve avec un décalage étrange entre la valeur que vous entrez dans le système, par exemple 99,9, et ce que vous obtenez réellement, qui est 97. C’est le genre de situation où vous avez une black box et où vous ne comprenez vraiment pas ce qui se passe. Clairement, le résultat du système ne correspond pas à ce que vous attendiez, donc vous faites face à cet effet de black box de front.
Kieran Chandler: Si c’est aussi répandu, comment les entreprises surmontent-elles ces problèmes ?
Joannes Vermorel: Typiquement, ils y arrivent avec une multitude de feuilles Excel. Que se passe-t-il lorsque vous avez des chiffres en lesquels vous ne pouvez pas avoir confiance provenant du système ? Les gens extraient simplement des données de l’ERP, des données fondamentales sur lesquelles ils peuvent compter, comme les niveaux de stocks, les ventes historiques, les bons de commande historiques – ce genre de choses. Ils peuvent vérifier en double que la feuille Excel est alignée avec le système, évitant ainsi l’effet de black box. Ils vérifient même que ce qui se trouve dans la feuille Excel correspond bien à ce qu’ils ont sur les étagères dans le warehouse, juste pour être sûrs. Puis ils commencent à élaborer leurs propres recettes numériques dans la feuille Excel elle-même, où le praticien supply chain a le contrôle sur le calcul à chaque étape, et c’est très visuel. C’est ainsi qu’ils essaient d’éviter l’effet de black box. Cependant, lorsqu’une feuille Excel est transmise d’un praticien supply chain à un autre au fil des années, on peut se retrouver avec un certain degré d’opacité et un effet de black box dans ces mêmes feuilles Excel. Excel n’est pas une solution miracle ; cela aide simplement.
Kieran Chandler: Parlons de la solution. L’approche de white boxing, je veux dire, en pratique, d’après notre observation, même quelques recettes numériques triviales – comme une formule de stock de sécurité simple ou quoi que ce soit d’un peu plus complexe que la moyenne mobile – constituent une black box. Il n’est pas nécessaire d’avoir de l’IA pour obtenir une black box. En effet, tout modèle linéaire à trois variables, la plupart des gens ne pouvant pas le calculer de tête, montre qu’un modèle aussi simpliste qu’un modèle linéaire à trois variables devient très rapidement relativement opaque pour ceux qui utilisent réellement ses résultats.
Joannes Vermorel: Dès que vous vous dirigez vers quelque chose de plus intelligent, en particulier tout ce qui permet de capturer les non-linéarités présentes dans les supply chains, cela devient opaque presque par conception. Ce qu’il vous faut, c’est un processus, ce que nous appelons white boxing, entièrement axé sur l’idée de recréer de la transparence et des insights, en sachant que, par défaut, ce que vous obtenez est pratiquement l’inverse. Il n’y a pas d’alternative. Si même un modèle aussi simpliste – voire trop simpliste – que le calcul de stock de sécurité est déjà opaque, vous ne pouvez espérer qu’un modèle meilleur, plus réaliste, tel qu’un modèle basé sur des prévisions probabilistes et l’évaluation probabiliste du risque pour vos stocks, soit moins opaque. Bien au contraire, il sera encore plus opaque, bien plus précis. Ainsi, nous avons besoin de ce processus de white boxing pour créer de la compréhension, générer de la confiance et, en fin de compte, inciter les gens à renoncer – pour de bonnes raisons – à leurs feuilles Excel.
Kieran Chandler: Alors, comment cela fonctionne-t-il réellement en pratique ? Comment procédez-vous pour vérifier les résultats obtenus et adopter cette véritable approche de white boxing ?
Joannes Vermorel: Un aspect délicat est qu’il est très facile de voir les gens se noyer dans une mer de métriques. Lorsqu’ils font face à une black box, la première réaction est de dire : “Donnez-moi plus d’indicateurs, créez plus de KPI, je veux en voir toujours plus.” Mais en faisant cela, vous vous retrouvez avec des tableaux gigantesques comportant des dizaines de colonnes qui restent complètement opaques et incroyablement complexes. Le point de départ est de dire qu’il nous faut quelques chiffres minutieusement élaborés lorsqu’il s’agit d’expliquer des décisions.
Tout d’abord, une idée est que vous ne devez pas essayer d’expliquer tout, en particulier les artefacts numériques. Vous ne vous souciez pas vraiment de la manière dont certaines étapes intermédiaires du calcul se déroulent. Ce qui compte, c’est le résultat final, la décision ayant un impact physique sur votre Supply Chain. Vous décidez de produire, vous décidez d’acheter davantage, ou vous décidez de déplacer des stocks d’un endroit à un autre. C’est l’objectif final, et c’est la décision qui vous importe.
Le white boxing consiste à disposer, pour chaque décision, d’environ une demi-douzaine de chiffres qui l’expliquent, mesurés en dollars ou en euros. La deuxième idée est d’utiliser des dollars et des euros parce que cela fait sens au niveau de l’entreprise. Si vous savez pourquoi vous achetez 100 unités supplémentaires d’un produit et qu’une variable indique : “Eh bien, le risque de rupture de stock est de 50 000 euros, car si nous venons à manquer de ce produit, la ligne de production s’arrêtera”, alors le coût de la rupture de stock peut être bien supérieur à la valeur de ce que vous achetez si vous mettez en danger une ligne de production. Ce sont là les insights que les gens vont obtenir.
Kieran Chandler: Ainsi, il y a ces leviers économiques que vous appliquez. Qu’en est-il exactement ? Les leviers économiques sont extrêmement utiles car ils sont comparables à l’échelle de l’entreprise. Le problème, c’est que vous avez une décision où vous disposez d’une demi-douzaine de leviers économiques, et une autre décision avec d’autres types de leviers, et vous souhaitez que toutes vos mesures soient compatibles afin de pouvoir comparer pommes avec pommes et oranges avec oranges. Si ce sont des pommes et des oranges, alors vous êtes un peu perdu. C’est typiquement ce qui se passe avec tous ces pourcentages d’erreur. Donc, à part les leviers économiques, qu’est-ce qui, dans l’approche de Lokad, rend le white-boxing si possible ? En quoi diffère-t-elle des autres techniques ?
Joannes Vermorel: Il vous faut des outils pour cela, et la plupart des systèmes analytiques ne parviennent pas à soutenir efficacement le white-boxing. Excel est en réalité assez performant car il vous permet de rester très proche des données, mais il s’effondre dès que la complexité et le volume des données augmentent. Excel est excellent tant que vous traitez moins de dix colonnes et un millier de lignes. Si vous commencez à traiter des millions de lignes et des dizaines de colonnes, il se transforme rapidement en une gigantesque base de code spaghetti dans votre feuille Excel. Excel est très performant à petite échelle, mais il s’effondre face à la complexité.
De nombreux systèmes analytiques ne parviennent pas à conserver les propriétés d’Excel, et les données s’éloignent considérablement de l’utilisateur. Chez Lokad, nous avons conçu Envision, qui comporte le terme “vision” dans le nom de ce langage de programmation, issu de l’idée que nous devions rester très proches des données afin de pouvoir effectuer constamment toutes ces validations à la manière d’Excel. Envision facilite grandement l’élaboration de formules pour tracer, dans un tableau de bord, tous vos chiffres, de manière à pouvoir les vérifier comme si vous travailliez dans Excel, simplement pour valider le tout.
L’idée est de pouvoir générer des tableaux de bord hautement composés où vos principaux leviers sont affichés en évidence, tout en vous permettant d’avoir de nombreuses petites tuiles contenant tous vos contrôles, exactement comme vous le feriez dans Excel, afin de vérifier que vos calculs sont cohérents et que vos étapes intermédiaires ne sont pas complètement défaillantes.
Kieran Chandler: Si je suis une entreprise et que j’utilise un logiciel qui présente beaucoup de ces caractéristiques de black box, que devrais-je faire ? Quelle serait la première étape à entreprendre pour mieux comprendre ce qui se passe ?
Joannes Vermorel: Tout d’abord, vous devez disposer d’une documentation complète de ce qui entre dans le système. Habituellement, cette documentation est inexistante. Pour clarifier, il s’agit d’avoir un tableau qui requiert environ une page de documentation, non pas une documentation informatique, mais une documentation orientée Supply Chain et axée sur l’entreprise.
Kieran Chandler: Vous savez, en travaillant avec des clients, au mieux, si chaque champ dispose d’une ligne de documentation, nous sommes satisfaits. Habituellement, il y a une vingtaine de tableaux, chaque tableau comportant une vingtaine de champs, et nous avons à peine une ligne de documentation par tableau. Il devrait y avoir une page de documentation par champ. C’est donc probablement le point de départ pour la plupart des entreprises : documenter complètement ce qui alimente le système ; sinon, vous vous retrouvez avec des résultats peu fiables.
Joannes Vermorel: La deuxième chose consiste à vérifier que vos couches de traitement de données, vos couches analytiques, vous offrent en pratique l’agilité que vous avez avec Excel. Ainsi, avec quelques instructions ou quelques lignes de code, vous pouvez ajouter toutes ces colonnes de reporting faciles dont vous avez besoin pour déboguer votre logique. Malheureusement, vous ne pouvez pas éviter l’aspect du codage car, tout comme avec Excel, il s’agit de formules et autres, donc c’est du codage. Mais en quelques lignes de code, vous pouvez obtenir toutes ces colonnes. Si vous n’avez pas un système qui supporte un tel processus agile, où vous pouvez simplement créer des colonnes comme dans Excel pour revérifier les calculs intermédiaires, alors c’est terminé. Vous n’arriverez jamais au fond de votre black box.
Donc, probablement à ce stade, vous devez changer la couche analytique si vous n’en disposez pas d’une qui offre une certaine agilité. Ensuite, la prochaine étape consiste à élaborer de très bons leviers économiques. Et par “très bons”, j’entends que chaque levier doit être le plus indépendant possible des autres. Vous voulez que les éléments soient très orthogonaux. Le danger, c’est que si vous n’arrivez pas à concevoir une série d’indicateurs qui reflètent des éléments littéralement orthogonaux, alors vous risquez de regarder la même chose à plusieurs reprises et d’en être induit en erreur.
C’est une partie délicate, mais l’idée est que lorsque vous examinez un indicateur économique qui indique un coût ou une récompense de 100 €, vous devez vous assurer qu’il est aussi indépendant que possible d’un autre levier qui prétend également apporter une récompense ou un coût de 100 €.
Kieran Chandler: Les points clés consistent donc véritablement à comprendre vos entrées et sorties ainsi qu’à définir ces leviers économiques. En guise de conclusion pour aujourd’hui, pourquoi le white-boxing est-il si important ?
Joannes Vermorel: Le white-boxing est si important car, sinon, tous vos efforts pour optimiser votre Supply Chain seront vains. Pour de bonnes raisons, les gens reviendront à leurs feuilles Excel, car si vous n’avez pas mis en place un processus de white-boxing qui rassure tout le monde sur le fait que les résultats issus de ces systèmes sont valides, il y a de fortes chances que vos résultats soient erronés. Les gens font ce qui est raisonnable, c’est-à-dire qu’ils ne font pas confiance à ces résultats et reviennent à leurs feuilles Excel. Malheureusement, ces feuilles Excel sont la solution nécessaire face à l’insanité du système. Le white-boxing est indispensable ; autrement, n’attendez pas de vos équipes de praticiens supply chain qu’elles renoncent de sitôt à leurs feuilles Excel. Elles ne le feront pas, et en agissant ainsi, elles protègent votre entreprise, car faire confiance à un système insensé est bien pire que de perdre du temps sur des feuilles Excel.
Kieran Chandler: Et qui aurait cru que de nombreux analystes pensaient probablement qu’Excel vous rend fou, mais voilà. C’est tout pour cette semaine. Merci beaucoup de votre temps, et nous vous retrouverons la semaine prochaine. Merci de votre attention.